1. परिचय
आरएजी क्या है
रीट्रिवल ऑगमेंटेड जनरेशन (आरएजी) एक ऐसी तकनीक है जो लार्ज लैंग्वेज मॉडल (एलएलएम) की क्षमता को, बाहरी नॉलेज सोर्स से काम की जानकारी हासिल करने की सुविधा के साथ जोड़ती है. इसका मतलब है कि एलएलएम सिर्फ़ अपने इंटरनल ट्रेनिंग डेटा पर निर्भर नहीं करता. साथ ही, जवाब जनरेट करते समय, वह अप-टू-डेट और खास जानकारी को ऐक्सेस और शामिल भी कर सकता है.
RAG कई वजहों से लोकप्रिय हो रहा है:
- ज़्यादा सटीक और काम के जवाब: आरएजी की मदद से, एलएलएम को बाहरी सोर्स से मिली तथ्यों पर आधारित जानकारी के आधार पर, ज़्यादा सटीक और काम के जवाब देने में मदद मिलती है. यह सुविधा खास तौर पर उन मामलों में मददगार होती है जहां अप-टू-डेट जानकारी देना ज़रूरी होता है. जैसे, मौजूदा घटनाओं के बारे में सवालों के जवाब देना या खास विषयों के बारे में जानकारी देना.
- गलत जानकारी कम हुई: एलएलएम कभी-कभी ऐसे जवाब जनरेट कर सकते हैं जो सही लगते हैं, लेकिन असल में गलत या बेमतलब होते हैं. RAG, बाहरी सोर्स से जनरेट की गई जानकारी की पुष्टि करके, इस समस्या को कम करने में मदद करता है.
- ज़्यादा आसानी से अडैप्ट होने की सुविधा: आरएजी की मदद से, एलएलएम को अलग-अलग डोमेन और टास्क के हिसाब से ज़्यादा आसानी से अडैप्ट किया जा सकता है. अलग-अलग नॉलेज सोर्स का इस्तेमाल करके, एलएलएम को आसानी से पसंद के मुताबिक बनाया जा सकता है, ताकि वह अलग-अलग विषयों के बारे में जानकारी दे सके.
- बेहतर उपयोगकर्ता अनुभव: आरएजी, ज़्यादा जानकारी देने वाले, भरोसेमंद, और काम के जवाब देकर, उपयोगकर्ता अनुभव को बेहतर बना सकता है.
मल्टी-मोडल (कई वेबसाइट या ऐप्लिकेशन आपकी पसंद हो सकते हैं) क्यों
आज के डेटा-रिच वर्ल्ड में, दस्तावेज़ों में अक्सर टेक्स्ट और इमेज को मिलाकर जानकारी दी जाती है. हालांकि, ज़्यादातर रीट्रिवल ऑगमेंटेड जनरेशन (आरएजी) सिस्टम, इमेज में मौजूद अहम जानकारी को अनदेखा कर देते हैं. मल्टी-मोडल लार्ज लैंग्वेज मॉडल (एलएलएम) की लोकप्रियता बढ़ने के साथ, यह जानना ज़रूरी है कि आरएजी में टेक्स्ट के साथ विज़ुअल कॉन्टेंट का इस्तेमाल कैसे किया जा सकता है. इससे, जानकारी के लैंडस्केप को बेहतर तरीके से समझने में मदद मिलेगी.
मल्टी-मोडल आरएजी के लिए दो विकल्प
- मल्टीमोडल एम्बेडिंग - मल्टीमोडल एम्बेडिंग मॉडल, आपके दिए गए इनपुट के आधार पर 1,408 डाइमेंशन वाले वेक्टर* जनरेट करता है. इनमें इमेज, टेक्स्ट, और वीडियो डेटा का कॉम्बिनेशन शामिल हो सकता है. इमेज एम्बेडिंग वेक्टर और टेक्स्ट एम्बेडिंग वेक्टर, एक ही सेमेंटिक स्पेस में होते हैं और इनका डाइमेंशन भी एक ही होता है. इसलिए, इन वेक्टर का इस्तेमाल, टेक्स्ट से इमेज खोजने या इमेज से वीडियो खोजने जैसे इस्तेमाल के उदाहरणों के लिए, एक-दूसरे के साथ किया जा सकता है. यह डेमो देखें.
- टेक्स्ट और इमेज एम्बेड करने के लिए, मल्टी-मोडल एम्बेडिंग का इस्तेमाल करना
- मिलती-जुलती खोज की सुविधा का इस्तेमाल करके, दोनों को वापस पाना
- जवाब देने के लिए, इकट्ठा की गई रॉ इमेज और टेक्स्ट-चंक, दोनों को मल्टी-मोडल एलएलएम को पास करें
- टेक्स्ट एम्बेड करना -
- इमेज की खास जानकारी वाला टेक्स्ट जनरेट करने के लिए, मल्टी-मोडल एलएलएम का इस्तेमाल करना
- एम्बेड किया गया टेक्स्ट और उसे वापस पाना
- जवाब बनाने के लिए, एलएलएम को टेक्स्ट के हिस्से पास करना
मल्टी-वेक्टर रीट्रिवर क्या है
मल्टी-वेक्टर रीट्रिवल, जवाब बनाने के लिए ओरिजनल कॉन्टेंट ढूंढने के लिए, दस्तावेज़ के सेक्शन की खास जानकारी का इस्तेमाल करता है. इससे आरएजी की क्वालिटी बेहतर होती है. खास तौर पर, टेबल, ग्राफ़, चार्ट वगैरह जैसे ज़्यादा समय वाले टास्क के लिए. ज़्यादा जानकारी के लिए, Langchain के ब्लॉग पर जाएं.
आपको क्या बनाना है
इस्तेमाल का उदाहरण: Gemini Pro का इस्तेमाल करके, सवालों के जवाब देने वाला सिस्टम बनाना
मान लें कि आपके पास ऐसे दस्तावेज़ हैं जिनमें जानकारी से भरे जटिल ग्राफ़ या डायग्राम शामिल हैं. आपको सवालों या क्वेरी के जवाब देने के लिए, यह डेटा निकालना है.
इस कोडलैब में, आपको ये काम करने होंगे:
- LangChain का इस्तेमाल करके डेटा लोड करना
document_loaders - Google के
gemini-proमॉडल का इस्तेमाल करके, खास जानकारी वाला टेक्स्ट जनरेट करना - Google के
gemini-pro-visionमॉडल का इस्तेमाल करके, इमेज की खास जानकारी जनरेट करना - Google के
textembedding-geckoमॉडल का इस्तेमाल करके, कई वेक्टर रीट्रिवल बनाएं. साथ ही, वेक्टर स्टोर के तौर पर Croma Db का इस्तेमाल करें - सवालों के जवाब देने के लिए, मल्टी-मोडल आरएजी चेन डेवलप करना
2. शुरू करने से पहले
- Google Cloud Console में, प्रोजेक्ट चुनने वाले पेज पर, Google Cloud प्रोजेक्ट चुनें या बनाएं.
- पक्का करें कि आपके Google Cloud प्रोजेक्ट के लिए बिलिंग की सुविधा चालू हो. किसी प्रोजेक्ट के लिए बिलिंग की सुविधा चालू है या नहीं, यह देखने का तरीका जानें.
- Vertex AI डैशबोर्ड से, सुझाए गए सभी एपीआई चालू करें
- Colab Notebook खोलें और उसी खाते में लॉगिन करें जिससे आपने Google Cloud का इस्तेमाल किया है.
3. मल्टी-मोडल आरएजी बनाना
इस कोडलैब में, Python के लिए Vertex AI SDK और Langchain का इस्तेमाल किया गया है. इससे, Google Cloud के साथ यहां बताए गए 'दूसरे विकल्प' को लागू करने का तरीका पता चलता है.
रेफ़र की गई रिपॉज़िटरी में मौजूद Google Cloud के साथ मल्टी-मोडल आरएजी फ़ाइल में पूरा कोड देखा जा सकता है.
4. पहला चरण: डिपेंडेंसी इंस्टॉल और इंपोर्ट करना
!pip install -U --quiet langchain langchain_community chromadb langchain-google-vertexai
!pip install --quiet "unstructured[all-docs]" pypdf pillow pydantic lxml pillow matplotlib chromadb tiktoken
अपना प्रोजेक्ट आईडी डालें और पुष्टि की प्रक्रिया पूरी करें
#TODO : ENter project and location
PROJECT_ID = ""
REGION = "us-central1"
from google.colab import auth
auth.authenticate_user()
Vertex AI प्लैटफ़ॉर्म को शुरू करना
import vertexai
vertexai.init(project = PROJECT_ID , location = REGION)
5. दूसरा चरण: डेटा तैयार करना और लोड करना
हम इस ब्लॉग पोस्ट से, निकाली गई इमेज और PDF के सबसेट वाली zip फ़ाइल का इस्तेमाल करते हैं. अगर आपको पूरा फ़्लो फ़ॉलो करना है, तो कृपया ओरिजनल उदाहरण का इस्तेमाल करें.
सबसे पहले डेटा डाउनलोड करें
import logging
import zipfile
import requests
logging.basicConfig(level=logging.INFO)
data_url = "https://storage.googleapis.com/benchmarks-artifacts/langchain-docs-benchmarking/cj.zip"
result = requests.get(data_url)
filename = "cj.zip"
with open(filename, "wb") as file:
file.write(result.content)
with zipfile.ZipFile(filename, "r") as zip_ref:
zip_ref.extractall()
दस्तावेज़ से टेक्स्ट कॉन्टेंट लोड करना
from langchain_community.document_loaders import PyPDFLoader
loader = PyPDFLoader("./cj/cj.pdf")
docs = loader.load()
tables = []
texts = [d.page_content for d in docs]
पहले पेज का कॉन्टेंट देखना
texts[0]
आपको आउटपुट दिखना चाहिए
दस्तावेज़ में मौजूद कुल पेज
len(texts)
अनुमानित आउटपुट
6. तीसरा चरण: टेक्स्ट की खास जानकारी जनरेट करना
ज़रूरी लाइब्रेरी पहले इंपोर्ट करें
from langchain_google_vertexai import VertexAI , ChatVertexAI , VertexAIEmbeddings
from langchain.prompts import PromptTemplate
from langchain_core.messages import AIMessage
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnableLambda
टेक्स्ट की खास जानकारी पाना
# Generate summaries of text elements
def generate_text_summaries(texts, tables, summarize_texts=False):
"""
Summarize text elements
texts: List of str
tables: List of str
summarize_texts: Bool to summarize texts
"""
# Prompt
prompt_text = """You are an assistant tasked with summarizing tables and text for retrieval. \
These summaries will be embedded and used to retrieve the raw text or table elements. \
Give a concise summary of the table or text that is well optimized for retrieval. Table or text: {element} """
prompt = PromptTemplate.from_template(prompt_text)
empty_response = RunnableLambda(
lambda x: AIMessage(content="Error processing document")
)
# Text summary chain
model = VertexAI(
temperature=0, model_name="gemini-pro", max_output_tokens=1024
).with_fallbacks([empty_response])
summarize_chain = {"element": lambda x: x} | prompt | model | StrOutputParser()
# Initialize empty summaries
text_summaries = []
table_summaries = []
# Apply to text if texts are provided and summarization is requested
if texts and summarize_texts:
text_summaries = summarize_chain.batch(texts, {"max_concurrency": 1})
elif texts:
text_summaries = texts
# Apply to tables if tables are provided
if tables:
table_summaries = summarize_chain.batch(tables, {"max_concurrency": 1})
return text_summaries, table_summaries
# Get text summaries
text_summaries, table_summaries = generate_text_summaries(
texts, tables, summarize_texts=True
)
text_summaries[0]
अनुमानित आउटपुट
7. चौथा चरण: इमेज की खास जानकारी जनरेट करना
ज़रूरी लाइब्रेरी पहले इंपोर्ट करें
import base64
import os
from langchain_core.messages import HumanMessage
इमेज की खास जानकारी जनरेट करना
def encode_image(image_path):
"""Getting the base64 string"""
with open(image_path, "rb") as image_file:
return base64.b64encode(image_file.read()).decode("utf-8")
def image_summarize(img_base64, prompt):
"""Make image summary"""
model = ChatVertexAI(model_name="gemini-pro-vision", max_output_tokens=1024)
msg = model(
[
HumanMessage(
content=[
{"type": "text", "text": prompt},
{
"type": "image_url",
"image_url": {"url": f"data:image/jpeg;base64,{img_base64}"},
},
]
)
]
)
return msg.content
def generate_img_summaries(path):
"""
Generate summaries and base64 encoded strings for images
path: Path to list of .jpg files extracted by Unstructured
"""
# Store base64 encoded images
img_base64_list = []
# Store image summaries
image_summaries = []
# Prompt
prompt = """You are an assistant tasked with summarizing images for retrieval. \
These summaries will be embedded and used to retrieve the raw image. \
Give a concise summary of the image that is well optimized for retrieval."""
# Apply to images
for img_file in sorted(os.listdir(path)):
if img_file.endswith(".jpg"):
img_path = os.path.join(path, img_file)
base64_image = encode_image(img_path)
img_base64_list.append(base64_image)
image_summaries.append(image_summarize(base64_image, prompt))
return img_base64_list, image_summaries
# Image summaries
img_base64_list, image_summaries = generate_img_summaries("./cj")
len(img_base64_list)
len(image_summaries)
image_summaries[0]
आपको ऐसा आउटपुट दिखेगा 
8. पांचवां चरण: मल्टी-वेक्टर रिकवरी बनाना
आइए, टेक्स्ट और इमेज की खास जानकारी जनरेट करें और उन्हें ChromaDB वेक्टरस्टोर में सेव करें.
इंपोर्ट करने के लिए ज़रूरी लाइब्रेरी
import uuid
from langchain.retrievers.multi_vector import MultiVectorRetriever
from langchain.storage import InMemoryStore
from langchain_community.vectorstores import Chroma
from langchain_core.documents import Document
मल्टी-वेक्टर रीट्रिवल बनाना
def create_multi_vector_retriever(
vectorstore, text_summaries, texts, table_summaries, tables, image_summaries, images
):
"""
Create retriever that indexes summaries, but returns raw images or texts
"""
# Initialize the storage layer
store = InMemoryStore()
id_key = "doc_id"
# Create the multi-vector retriever
retriever = MultiVectorRetriever(
vectorstore=vectorstore,
docstore=store,
id_key=id_key,
)
# Helper function to add documents to the vectorstore and docstore
def add_documents(retriever, doc_summaries, doc_contents):
doc_ids = [str(uuid.uuid4()) for _ in doc_contents]
summary_docs = [
Document(page_content=s, metadata={id_key: doc_ids[i]})
for i, s in enumerate(doc_summaries)
]
retriever.vectorstore.add_documents(summary_docs)
retriever.docstore.mset(list(zip(doc_ids, doc_contents)))
# Add texts, tables, and images
# Check that text_summaries is not empty before adding
if text_summaries:
add_documents(retriever, text_summaries, texts)
# Check that table_summaries is not empty before adding
if table_summaries:
add_documents(retriever, table_summaries, tables)
# Check that image_summaries is not empty before adding
if image_summaries:
add_documents(retriever, image_summaries, images)
return retriever
# The vectorstore to use to index the summaries
vectorstore = Chroma(
collection_name="mm_rag_cj_blog",
embedding_function=VertexAIEmbeddings(model_name="textembedding-gecko@latest"),
)
# Create retriever
retriever_multi_vector_img = create_multi_vector_retriever(
vectorstore,
text_summaries,
texts,
table_summaries,
tables,
image_summaries,
img_base64_list,
)
9. छठा चरण: मल्टी-मोडल आरएजी बनाना
- यूटिलिटी फ़ंक्शन तय करना
import io
import re
from IPython.display import HTML, display
from langchain_core.runnables import RunnableLambda, RunnablePassthrough
from PIL import Image
def plt_img_base64(img_base64):
"""Disply base64 encoded string as image"""
# Create an HTML img tag with the base64 string as the source
image_html = f'<img src="data:image/jpeg;base64,{img_base64}" />'
# Display the image by rendering the HTML
display(HTML(image_html))
def looks_like_base64(sb):
"""Check if the string looks like base64"""
return re.match("^[A-Za-z0-9+/]+[=]{0,2}$", sb) is not None
def is_image_data(b64data):
"""
Check if the base64 data is an image by looking at the start of the data
"""
image_signatures = {
b"\xFF\xD8\xFF": "jpg",
b"\x89\x50\x4E\x47\x0D\x0A\x1A\x0A": "png",
b"\x47\x49\x46\x38": "gif",
b"\x52\x49\x46\x46": "webp",
}
try:
header = base64.b64decode(b64data)[:8] # Decode and get the first 8 bytes
for sig, format in image_signatures.items():
if header.startswith(sig):
return True
return False
except Exception:
return False
def resize_base64_image(base64_string, size=(128, 128)):
"""
Resize an image encoded as a Base64 string
"""
# Decode the Base64 string
img_data = base64.b64decode(base64_string)
img = Image.open(io.BytesIO(img_data))
# Resize the image
resized_img = img.resize(size, Image.LANCZOS)
# Save the resized image to a bytes buffer
buffered = io.BytesIO()
resized_img.save(buffered, format=img.format)
# Encode the resized image to Base64
return base64.b64encode(buffered.getvalue()).decode("utf-8")
def split_image_text_types(docs):
"""
Split base64-encoded images and texts
"""
b64_images = []
texts = []
for doc in docs:
# Check if the document is of type Document and extract page_content if so
if isinstance(doc, Document):
doc = doc.page_content
if looks_like_base64(doc) and is_image_data(doc):
doc = resize_base64_image(doc, size=(1300, 600))
b64_images.append(doc)
else:
texts.append(doc)
if len(b64_images) > 0:
return {"images": b64_images[:1], "texts": []}
return {"images": b64_images, "texts": texts}
- डोमेन के हिसाब से इमेज प्रॉम्प्ट तय करना
def img_prompt_func(data_dict):
"""
Join the context into a single string
"""
formatted_texts = "\n".join(data_dict["context"]["texts"])
messages = []
# Adding the text for analysis
text_message = {
"type": "text",
"text": (
"You are financial analyst tasking with providing investment advice.\n"
"You will be given a mixed of text, tables, and image(s) usually of charts or graphs.\n"
"Use this information to provide investment advice related to the user question. \n"
f"User-provided question: {data_dict['question']}\n\n"
"Text and / or tables:\n"
f"{formatted_texts}"
),
}
messages.append(text_message)
# Adding image(s) to the messages if present
if data_dict["context"]["images"]:
for image in data_dict["context"]["images"]:
image_message = {
"type": "image_url",
"image_url": {"url": f"data:image/jpeg;base64,{image}"},
}
messages.append(image_message)
return [HumanMessage(content=messages)]
- मल्टी-मोडल आरएजी चेन तय करना
def multi_modal_rag_chain(retriever):
"""
Multi-modal RAG chain
"""
# Multi-modal LLM
model = ChatVertexAI(
temperature=0, model_name="gemini-pro-vision", max_output_tokens=1024
)
# RAG pipeline
chain = (
{
"context": retriever | RunnableLambda(split_image_text_types),
"question": RunnablePassthrough(),
}
| RunnableLambda(img_prompt_func)
| model
| StrOutputParser()
)
return chain
# Create RAG chain
chain_multimodal_rag = multi_modal_rag_chain(retriever_multi_vector_img)
10. सातवां चरण: अपनी क्वेरी की जांच करना
- काम के दस्तावेज़ वापस पाना
query = "What are the EV / NTM and NTM rev growth for MongoDB, Cloudflare, and Datadog?"
docs = retriever_multi_vector_img.get_relevant_documents(query, limit=1)
# We get relevant docs
len(docs)
docs
You may get similar output
plt_img_base64(docs[3])
- उसी क्वेरी पर आरएजी चलाएं
result = chain_multimodal_rag.invoke(query)
from IPython.display import Markdown as md
md(result)
आउटपुट का सैंपल (कोड लागू करने पर, आउटपुट अलग हो सकता है)
11. व्यवस्थित करें
इस कोडलैब में इस्तेमाल किए गए संसाधनों के लिए, अपने Google Cloud खाते से शुल्क न लिए जाएं, इसके लिए यह तरीका अपनाएं:
- Google Cloud Console में, संसाधन मैनेज करें पेज पर जाएं.
- प्रोजेक्ट की सूची में, वह प्रोजेक्ट चुनें जिसे मिटाना है. इसके बाद, मिटाएं पर क्लिक करें.
- डायलॉग बॉक्स में, प्रोजेक्ट आईडी टाइप करें. इसके बाद, प्रोजेक्ट मिटाने के लिए बंद करें पर क्लिक करें.
12. बधाई हो
बधाई हो! आपने Gemini का इस्तेमाल करके, मल्टी-मोडल आरएजी डेवलप कर लिया है.